基于相关向量机的机械LiDAR点云数据分类

刘志青; 李鹏程; 郭海涛; 张保明; 陈小卫; 丁磊; 赵传

doi:10.3788/IRLA201645.S130006

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于相关向量机的机械LiDAR点云数据分类

刘志青, 李鹏程, 郭海涛, 张保明, 陈小卫, 丁磊, 赵传

文章导航 > 红外与激光工程 > 2016 > 45(S1): 98-104

刘志青, 李鹏程, 郭海涛, 张保明, 陈小卫, 丁磊, 赵传. 基于相关向量机的机械LiDAR点云数据分类[J]. 红外与激光工程, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006

引用本文:

Liu Zhiqing, Li Pengcheng, Guo Haitao, Zhang Baoming, Chen Xiaowei, Ding Lei, Zhao Chuan. Airborne LiDAR point cloud data classification based on relevance vector machine[J]. Infrared and Laser Engineering, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006

Citation:

Liu Zhiqing, Li Pengcheng, Guo Haitao, Zhang Baoming, Chen Xiaowei, Ding Lei, Zhao Chuan. Airborne LiDAR point cloud data classification based on relevance vector machine[J]. Infrared and Laser Engineering, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006

基于相关向量机的机械LiDAR点云数据分类

doi: 10.3788/IRLA201645.S130006

1.
信息工程大学地理空间信息学院,河南郑州 450052

基金项目:

国家自然科学基金(41371436)

详细信息

作者简介:
刘志青(1986-),女,博士生,主要从事数字摄影测量与激光雷达方面的研究。Email:13525599533@163.com

中图分类号: P237

Airborne LiDAR point cloud data classification based on relevance vector machine

1.
Institute of Geospatial Information,Information Engineering University,Zhengzhou 450052,China

摘要: 针对支持向量机应用于机载LiDAR点云数据分类时存在的模型稀疏性弱、预测结果缺乏概率意义、核函数必须满足Mercer定理等缺点,提出了一种基于相关向量机的LiDAR点云数据分类算法。在分析稀疏贝叶斯分类模型及参数推断、预测基础上,利用拉普拉斯方法将相关向量机分类问题转化为回归问题,通过最大化边缘似然函数估计超参数,选择序列稀疏贝叶斯学习方法提高训练速度,构造一对余、一对一分类器实现点云数据多元分类研究。选择Niagara地区及非洲某地区的LiDAR点云数据进行实验,实验结果验证了基于相关向量机的点云分类方法的优势。
- 激光雷达 /
- 分类 /
- 稀疏贝叶斯模型 /
- 相关向量机
Abstract: Aiming at the limitations of support vector machine(SVM) applied in Airborne LiDAR(Light Detection And Ranging) point data classification, such as weak model sparseness, predictions lack of probabilistic sense, and kernel function which must satisfy Mercer's condition, a novel LiDAR point cloud data classification method was proposed based on relevance vector machine(RVM). Firstly, the sparse Bayesian classification model and the process of parameter inference and prediction were analyzed. Then, the classification problem was transformed into the regression problem by making use of Laplace's method. Next, the hyperparameter estimation was attained by utilizing maximum likelihood method and a sequential sparse Bayesian learning algorithm was selected to improve training speed. Finally, multiple classifiers were built to realize multi-class classification. The LiDAR point cloud datum from Niagara and Africa were selected for experiment based on SVM, and experimental results show the advantages of classification method based on RVM.
- LiDAR /
- classification /
- sparse Bayesian model /
- relevance vector machine (RVM)

[1]	Sun Meiling, Li Yongshu, Chen Qiang, et al. Iterative multi-scale filter based on morphological opening by reconstruction for LiDAR urban data[J]. Infrared and Laser Engineering, 2015, 44(1):363-369. (in Chinese) 孙美玲, 李永树, 陈强, 等. 基于迭代多尺度形态学开重建的城区LiDAR滤波方法[J]. 红外与激光工程, 2015, 44(1):363-369.
[2]	Vosselman G. Slope based filtering of laser altimetry data[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B3/2):935-942.
[3]	Rottensteiner F. A new method for building extraction in urban areas from high-resolution LiDAR data[J]. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, 2002, 343(3/A):295-301.
[4]	Straub B M, Heipke C. Automatic extraction of trees for 3D-city models from images and height data[J]. Automatic Extraction of Man-Made Objects from Aerial and Space Images(III), 2001, 3:267-277.
[5]	Samadzadegan F, Bigdeli B, Ramzi R. A multiple classifier system for classification of LiDAR remote sensing data using multi-class SVM[C]//Multiple Classifier Systems:9th International Workshop, MCS 2010, 2010:254-264.
[6]	Lodha S K, Kreps E J, Helmbold D P, et al. Aerial LiDAR data classification using support vector machines(SVM)[C]//IEEE Proceedings of the Third International Symposium on 3D Data Processing, Visualization, and Transmission(3DPVT'06), 2006:567-574.
[7]	Bishop C M, Tipping M E. Variational Relevance Vector Machines[C]//Proceedings of the 16th Conference on Uncertainty in Artificial Intelligence, 2000:46-53.
[8]	Silva C, Ribeiro B. Scaling text classification with relevance vector machines[C]//IEEE International Conference on Systems, Man and Cybernetics, 2006:4186-4191.
[9]	Nikolaev N, Tino P. Sequential relevance vector machine learning from time series[C]//IEEE International Joint Conference on Neural Networks, 2005:1308-1313.
[10]	Zhou Xin, Wu Ying. Research on signals modulation classification based on SVM and RVM[J]. Journal on Communications, 2010, 31(8A):94-99. (in Chinese) 周欣, 吴瑛. 基于SVM和RVM的信号调制分类研究[J]. 通信学报, 2010, 31(8A):94-99.
[11]	Yang Guopeng, Yu Xuchu, Zhou Xin, et al. Research on relevance vector machine for hyperspectral imagery classification[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(6):572-578. (in Chinese) 杨国鹏, 余旭初, 周欣, 等. 基于相关向量机的高光谱影像分类研究[J]. 测绘学报, 2010, 39(6):572-578.
[12]	MacKay D J C. The evidence framework applied to classification networks[J]. Neural Computation, 1992, 4(5):720-736.
[13]	Tipping M E. Sparse bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research,2001, 1:211-244.

[1]	王元祖, 孙东松, 韩於利, 郑俊, 赵一鸣. 大气模式对气溶胶光学参量反演及分类的影响研究 . 红外与激光工程, 2023, 52(1): 20220262-1-20220262-13. doi: 10.3788/IRLA20220262
[2]	乔凯, 杨杰, 靳辰飞. 基于时间相关单光子计数的穿透成像激光雷达研究（特邀） . 红外与激光工程, 2022, 51(8): 20220404-1-20220404-13. doi: 10.3788/IRLA20220404
[3]	邵慧, 撒贝宁, 李伟, 陈育伟, 刘璐, 陈杰, 孙龙, 胡玉霞. 一种适用于古建筑建模的全波形高光谱激光雷达设计与实现 . 红外与激光工程, 2022, 51(8): 20210786-1-20210786-10. doi: 10.3788/IRLA20210786
[4]	邢承滨, 龚声胜, 于晓亮, 李易馨. 高斯混合聚类对移动曲面拟合滤波分类的应用 . 红外与激光工程, 2021, 50(10): 20200501-1-20200501-11. doi: 10.3788/IRLA20200501
[5]	杨程, 鄢秋荣, 祝志太, 王逸凡, 王明, 戴伟辉. 基于深度学习的压缩光子计数激光雷达 . 红外与激光工程, 2020, 49(S2): 20200380-20200380. doi: 10.3788/IRLA20200380
[6]	张欣, 李思宁, 孙剑峰, 姜鹏, 刘迪, 王鹏辉. 基于Mean Shift点法向量分类的目标三维姿态估计 . 红外与激光工程, 2020, 49(S2): 20200109-20200109. doi: 10.3788/IRLA20200109
[7]	田鹤, 毛宏霞, 刘铮, 曾铮. 机载逆合成孔径激光雷达微动目标稀疏成像 . 红外与激光工程, 2020, 49(S2): 20200190-20200190. doi: 10.3788/IRLA20200190
[8]	张楠, 孙剑峰, 姜鹏, 刘迪, 王鹏辉. 激光雷达场景三维姿态点法向量估计方法 . 红外与激光工程, 2020, 49(1): 0105004-0105004(8). doi: 10.3788/IRLA202049.0105004
[9]	沈振民, 赵彤, 王云才, 郑永超, 尚卫东, 王冰洁, 李静霞. 混沌脉冲激光雷达水下目标探测 . 红外与激光工程, 2019, 48(4): 406004-0406004(7). doi: 10.3788/IRLA201948.0406004
[10]	胡善江, 贺岩, 陶邦一, 俞家勇, 陈卫标. 基于深度学习的机载激光海洋测深海陆波形分类 . 红外与激光工程, 2019, 48(11): 1113004-1113004(8). doi: 10.3788/IRLA201948.1113004
[11]	王强, 郝利丽, 唐红霞, 李贤丽, 牟海维, 韩连福, 赵远. 实际环境对量子激光雷达性能的影响 . 红外与激光工程, 2018, 47(S1): 29-35. doi: 10.3788/IRLA201847.S106006
[12]	穆永吉, 万渊, 刘继桥, 侯霞, 陈卫标. 星载激光雷达望远镜主镜光机分析与优化 . 红外与激光工程, 2018, 47(7): 718002-0718002(7). doi: 10.3788/IRLA201847.0718002
[13]	张东阁, 傅雨田. 基于一类支持向量机的盲元检测方法 . 红外与激光工程, 2018, 47(4): 404001-0404001(7). doi: 10.3788/IRLA201847.0404001
[14]	马跃, 张文豪, 张智宇, 马昕, 李松. 基于半解析模型的激光测高回波海水海冰波形分类方法 . 红外与激光工程, 2018, 47(5): 506005-0506005(7). doi: 10.3788/IRLA201847.0506005
[15]	吴超, 刘春波, 韩香娥. 光波导相控阵激光雷达接收系统设计 . 红外与激光工程, 2016, 45(10): 1030003-1030003(6). doi: 10.3788/IRLA201645.1030003
[16]	史风栋, 刘文皓, 汪鑫, 丁娟, 史屹君, 修春波. 室内激光雷达导航系统设计 . 红外与激光工程, 2015, 44(12): 3570-3575.
[17]	曹开法, 黄见, 胡顺星. 边界层臭氧差分吸收激光雷达 . 红外与激光工程, 2015, 44(10): 2912-2917.
[18]	李峰, 梁汉东, 米晓楠, 卫爱霞. Landsat8卫星影像的多子区决策树土地覆被分类方法 . 红外与激光工程, 2015, 44(7): 2224-2230.
[19]	姜成昊, 杨进华, 张丽娟, 李祥. 新型多普勒成像激光雷达原理设计与仿真 . 红外与激光工程, 2014, 43(2): 411-416.
[20]	普晗晔, 王斌, 张立明. 基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.

点击查看大图

计量

文章访问数: 465
HTML全文浏览量: 69
PDF下载量: 251
被引次数: 0

基于相关向量机的机械LiDAR点云数据分类

doi: 10.3788/IRLA201645.S130006

1. 信息工程大学地理空间信息学院,河南郑州 450052

作者简介:
刘志青(1986-),女,博士生,主要从事数字摄影测量与激光雷达方面的研究。Email:13525599533@163.com

收稿日期: 2016-02-20
修回日期: 2016-03-03
刊出日期: 2016-05-25

基金项目:

国家自然科学基金(41371436)

中图分类号: P237

关键词:

摘要: 针对支持向量机应用于机载LiDAR点云数据分类时存在的模型稀疏性弱、预测结果缺乏概率意义、核函数必须满足Mercer定理等缺点,提出了一种基于相关向量机的LiDAR点云数据分类算法。在分析稀疏贝叶斯分类模型及参数推断、预测基础上,利用拉普拉斯方法将相关向量机分类问题转化为回归问题,通过最大化边缘似然函数估计超参数,选择序列稀疏贝叶斯学习方法提高训练速度,构造一对余、一对一分类器实现点云数据多元分类研究。选择Niagara地区及非洲某地区的LiDAR点云数据进行实验,实验结果验证了基于相关向量机的点云分类方法的优势。